Στα χρόνια που παρατηρώ πώς κατασκευάζονται τα συστήματα, έμαθα ότι υπάρχει τεράστια διαφορά μεταξύ του τι μπορεί να κάνει ένα εργαλείο και του τι του εμπιστευόμαστε πραγματικά να κάνει. Συχνά ακούμε για το πόσες θέσεις εργασίας «κινδυνεύουν» από την Τεχνητή Νοημοσύνη βάσει θεωρητικών δυνατοτήτων, αλλά όπως γνωρίζει κάθε πρωτομάστορας, το προσχέδιο δεν είναι το κτίριο. Μια νέα ερευνητική εργασία που δημοσιεύθηκε στο arXiv εισάγει μια πιο ρεαλιστική μέτρηση: την Εκχωρημένη Έκθεση (Delegated Exposure).
Η Μηχανική του Δείκτη Υιοθέτησης Πρακτόρων (AAI)
Για να προχωρήσουν πέρα από τη θεωρία, οι ερευνητές ανέπτυξαν τον Δείκτη Υιοθέτησης Πρακτόρων (Agentic Adoption Index - AAI). Αυτό δεν είναι απλώς μια έρευνα· είναι μια εξελιγμένη χαρτογράφηση της πραγματικής πρόθεσης των δημιουργών. Εντυπωσιάστηκα ιδιαίτερα από τη μεθοδολογία: η ομάδα ενσωμάτωσε περίπου 53.000 προδιαγραφές δεξιοτήτων πρακτόρων (agent skill specifications) από το Manus Skills Marketplace και υπολόγισε τη σημασιολογική τους ομοιότητα με 18.000 δηλώσεις καθηκόντων O*NET.
Αυτή η προσέγγιση μας επιτρέπει να δούμε πού οι επαγγελματίες έχουν όντως αναθέσει μια εργασία στην Τεχνητή Νοημοσύνη, ενσωματώνοντάς την σε μια ροή εργασίας. Μετρά την ευθυγράμμιση μεταξύ των καθηκόντων ενός επαγγέλματος και των «πρακτορικών ρουτινών» (agentic routines) που έχουν ήδη κατασκευαστεί και διαμοιραστεί. Κατά την εμπειρία μου, αυτός είναι ο μόνος τρόπος για να μετρήσουμε πραγματικά την καινοτομία — κοιτάζοντας τον κώδικα και τις ρυθμίσεις που εκτελούνται στην πράξη.
Το Χάσμα Κωδικοποίησης: Γιατί η Υψηλή Εκπαίδευση Αντιστέκεται
Τα δεδομένα αποκαλύπτουν μια συναρπαστική αρχιτεκτονική ανωμαλία. Η υιοθέτηση αυτών των ρουτινών κορυφώνεται κάτω από το ανώτατο επίπεδο της μισθολογικής κατανομής και στο επίπεδο του πτυχίου (bachelor), αλλά μειώνεται στα δύο άκρα. Αυτό το «έλλειμμα υψηλής εκπαίδευσης» υποδηλώνει ότι η τεχνική εφικτότητα από μόνη της δεν μπορεί να εξηγήσει πώς η Τεχνητή Νοημοσύνη ενσωματώνεται στην επαγγελματική ζωή.
Όπως συχνά προειδοποιώ, σαν τον Δαίδαλο που συμβούλευε τον Ίκαρο, πρέπει να είμαστε προσεκτικοί και να μην υποθέτουμε ότι κάθε εργασία μπορεί να κωδικοποιηθεί. Οι ερευνητές προτείνουν δύο πιθανότητες για αυτό το έλλειμμα: είτε η εργασία αντιστέκεται εγγενώς στον εκ των προτέρων καθορισμό, είτε υπάρχει ένα επίπεδο επαγγελματικής διακριτικής ευχέρειας σχετικά με τον ρυθμό κωδικοποίησης. Η διάκριση μεταξύ της εργασίας που είναι μη κωδικοποιήσιμη και της εργασίας που οι επαγγελματίες επιλέγουν να μην κωδικοποιήσουν είναι η επόμενη μεγάλη πρόκληση στην κατανόηση της αρχιτεκτονικής της Τεχνητής Νοημοσύνης.
